用途：运行某个 BMad 技能的评测并报告结果，引用具体发现，标记仅因平凡原因通过的评测，不通过放宽容差来伪造成功。技能不指定模型或 harness；评测所用 harness 记录在该技能首次运行时的 customization 中。
四种模式：baseline 回答“技能在同一输入上是否胜过裸模型”；variant 回答“某段落是否值得保留，还是精简版同样好”；quality 回答“输出是否满足指定评分标准”；trigger 回答“描述是否在正确查询上触发、在其余查询上保持沉默”。相关脚本与参考见 scripts/run_evals.py、scripts/run_triggers.py、references/eval-format.md、references/grader.md、references/harness.md、references/description-optimization.md、references/self-improvement.md。
用例格式：一个用例为 input + rubric + 可选 state_prefix + 可选 fixture 文件；state_prefix 是置于输入前的方括号 priming。用例放在 <skill>/evals/cases.json，触发查询为 <skill>/evals/triggers.json 中的 {query, should_trigger}。skill-creator 的 evals.json 可用 uv run {skill-root}/scripts/convert_cases.py <evals.json> --output <cases.json> 转换（--to skill-creator 反向）。
激活时：读取配置与 customization，缺键可接受；验证 <skill-path>/SKILL.md 存在，否则明确报错停止。当 workflow.harness.command 为空时，按 references/harness.md 推断当前 CLI 的 harness 事实，在一个用例上验证，并调用 bmad-customize 记录（安装：npx skills add bmad-code-org/BMAD-METHOD --skill bmad-customize）。查找用例文件顺序：用户指定、<skill-path>/evals/、<project-root>/evals/<skill-name>/、<project-root>/evals/ 下任意位置；找不到即停止，不自行编造用例。确认运行摘要后执行（除非用户要求非交互运行）；摘要列出技能、用例、模式、输出目录、harness 命令，并说明运行时关闭权限提示、除非命令自带沙箱否则不隔离。
执行：项目根为持有 _bmad/ 或 .git/ 的技能首个祖先；输出目录为 {reports_folder}（BMad 已配置时）否则 ~/bmad-evals/，每次运行是其中带时间戳的独立文件夹。每个用例在项目外的临时干净房间中运行。命令：uv run {skill-root}/scripts/run_evals.py --cases <cases-file> --skill-path <skill> --output-dir <dir> --mode quality|baseline|variant [--variant-path <skill>] --label <skill-name>-<mode> [--runs N]；trigger 用 uv run {skill-root}/scripts/run_triggers.py --skill-path <skill> --queries <queries-file> --output-dir <dir> [--runs-per-query N]；聚合用 uv run {skill-root}/scripts/aggregate_benchmark.py --baseline <run-dir>/<config-a> --variant <run-dir>/<config-b>。--runs 默认 1 为快速查看，达到 3 次及以上才算稳定结果。退出码：0 完整运行，1 用例报错/超时或命令未找到，3 未记录 harness；触发查询未达阈值属结果而非错误。质量模式按 references/grader.md 逐用例启动评分器；评分器出错标记 grading_error，不给默认判定。
产物：每次运行是输出目录下的日期文件夹，run.json 记录 harness 命令；每个用例文件夹与每次触发尝试保存 prompt、transcript、stderr.txt、cwd/、timing.json，质量运行时还有 grading.json。绝不删除、覆盖或轮转运行文件夹，完成后告知用户位置。
限制：结果反映干净工作目录中的技能而非宿主 shell；失败须引用具体期望与证据，肤浅通过会被标记；少于 3 次运行的结果只能作为快速查看报告；技能不再赢得基线时应考虑退役而非打补丁。
资料未提供收费、价格、平台支持范围与具体模型名称等信息。